模型训练方法、装置、计算机设备、存储介质和程序产品与流程

本技术涉及人工智能，特别是涉及一种模型训练方法、装置、计算机设备、存储介质和程序产品。

背景技术：

1、电力系统在社会生产与日常生活中占据着至关重要的地位。对电力系统进行多视角、多时段的巡检有助于我们对电力设备的运行状态实现监控，帮助我们准确地了解电力系统各环节的运维情况，方便运维人员及时检修。对电力系统进行巡检，除了白天需要采用无人机上的图像采集设备对电力系统进行拍照来获取图像，夜间也需要采用红外成像仪通过红外成像技术获取电力系统的图像。

2、经过无人机拍照或红外成像技术所得的图像为低分辨图像，分辨率较低，需要经过处理。采用传统的模型对低分辨图像进行处理，所得到的高分辨图像，不够清晰，因此亟需改进。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种模型训练方法、装置、计算机设备、存储介质和程序产品。

2、第一方面，本技术提供了一种模型训练方法。所述方法包括：

3、获取样本低分率图像、样本可见光图像和样本高分辨图像；

4、将所述样本低分辨图像输入至图像转换模型中第一对抗网络的第一对抗生成器，生成伪可见光图像；

5、将所述伪可见光图像输入至第一辅助生成器，得到第一伪低分辨图像；

6、采用所述伪可见光图像、所述第一伪低分辨图像、所述样本低分辨图像和所述样本可见光图像，对所述第一对抗网络进行训练；

7、采用所述样本低分辨图像、所述伪可见光图像和所述样本高分辨图像，对所述图像转换模型中第二对抗网络进行训练。

8、在其中一个实施例中，所述采用所述伪可见光图像、所述第一伪低分辨图像、所述样本低分辨图像和所述样本可见光图像，对所述第一对抗网络进行训练，包括：

9、采用所述伪可见光图像和所述样本可见光图像，对所述第一对抗网络的第一对抗判别器进行训练；

10、采用所述第一伪低分辨图像和所述样本低分辨图像，对所述第一对抗生成器进行训练。

11、在其中一个实施例中，所述采用所述第一伪低分辨图像和所述样本低分辨图像，对所述第一对抗生成器进行训练，包括：

12、基于损耗函数，根据所述样本低分率图像，对所述第一对抗生成器进行训练；

13、根据所述第一伪低分辨图像和所述样本低分辨图像，确定范数损失；

14、采用所述范数损失，对经训练的第一对抗生成器进行优化。

15、在其中的一个实施例中，所述采用所述样本低分辨图像、所述伪可见光图像和所述样本高分辨图像，对所述图像转换模型中第二对抗网络进行训练，包括：

16、将所述样本低分辨图像和所述伪可见光图像进行融合，得到融合图像；

17、将所述融合图像输入至所述图像转换模型中第二对抗网络的第二对抗生成器，生成伪高分辨图像；

18、采用所述伪高分辨率图像和所述样本高分辨图像，对所述第二对抗网络进行训练。

19、在其中的一个实施例中，所述方法还包括：

20、将所述伪高分辨图像输入至第二辅助生成器，得到第二伪低分辨图像；

21、根据所述第二伪低分辨图像和所述样本低分辨图像，验证经训练的第二对抗网络的第二对抗生成器的合理性。

22、在其中的一个实施例中，所述第一对抗网络的第一对抗生成器为变分自动编码器；所述第二对抗网络的第二对抗生成器为残差网络。

23、第二方面，本技术还提供了一种目标检测模型的优化装置。所述装置包括：

24、图像获取模块，用于获取样本低分率图像、样本可见光图像和样本高分辨图像；

25、第一生成模块，用于将所述样本低分辨图像输入至图像转换模型中第一对抗网络的第一对抗生成器，生成伪可见光图像；

26、第二生成模块，用于将所述伪可见光图像输入至第一辅助生成器，得到第一伪低分辨图像；

27、第一训练模块，用于采用所述伪可见光图像、所述第一伪低分辨图像、所述样本低分辨图像和所述样本可见光图像，对所述第一对抗网络进行训练；

28、第二训练模块，用于采用所述样本低分辨图像、所述伪可见光图像和所述样本高分辨图像，对所述图像转换模型中第二对抗网络进行训练。

29、第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

30、获取样本低分率图像、样本可见光图像和样本高分辨图像；

31、将所述样本低分辨图像输入至图像转换模型中第一对抗网络的第一对抗生成器，生成伪可见光图像；

32、将所述伪可见光图像输入至第一辅助生成器，得到第一伪低分辨图像；

33、采用所述伪可见光图像、所述第一伪低分辨图像、所述样本低分辨图像和所述样本可见光图像，对所述第一对抗网络进行训练；

34、采用所述样本低分辨图像、所述伪可见光图像和所述样本高分辨图像，对所述图像转换模型中第二对抗网络进行训练。

35、第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

36、获取样本低分率图像、样本可见光图像和样本高分辨图像；

37、将所述样本低分辨图像输入至图像转换模型中第一对抗网络的第一对抗生成器，生成伪可见光图像；

38、将所述伪可见光图像输入至第一辅助生成器，得到第一伪低分辨图像；

39、采用所述伪可见光图像、所述第一伪低分辨图像、所述样本低分辨图像和所述样本可见光图像，对所述第一对抗网络进行训练；

40、采用所述样本低分辨图像、所述伪可见光图像和所述样本高分辨图像，对所述图像转换模型中第二对抗网络进行训练。

41、第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

42、获取样本低分率图像、样本可见光图像和样本高分辨图像；

43、将所述样本低分辨图像输入至图像转换模型中第一对抗网络的第一对抗生成器，生成伪可见光图像；

44、将所述伪可见光图像输入至第一辅助生成器，得到第一伪低分辨图像；

45、采用所述伪可见光图像、所述第一伪低分辨图像、所述样本低分辨图像和所述样本可见光图像，对所述第一对抗网络进行训练；

46、采用所述样本低分辨图像、所述伪可见光图像和所述样本高分辨图像，对所述图像转换模型中第二对抗网络进行训练。

47、上述模型训练方法、装置、计算机设备、存储介质和程序产品，通过将样本低分辨图像输入第一对抗网络的第一对抗生成器，生成伪可见光图像，并将伪可见光图像输入第一辅助生成器，得到第一伪分辨图像。采用伪可见光图像，第一伪分辨图像、样本低分辨图像和样本可见光图像，对第一对抗网络进行训练；采用样本低分辨图像、伪可见光图像和样本高分辨图像，对图像转换模型中第二对抗网络进行训练。通过这种训练所训练得到的图像转换模型，能够将低分辨图像转换为清晰的高分辨图像。